Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/25825
ORCID:  http://orcid.org/0000-0003-4710-9807
Document type: Tese
Access type: Acesso Aberto
Title: Alocação de Recursos baseada em Clustering com Aprendizado de Características e Orientação a QoS em Redes LTE-Advanced
Alternate title (s): Clustering-based Resource Allocation with Feature Learning and QoS-awareness in LTE-Advanced Networks
Author: Santos, Einar César
First Advisor: Guardieiro, Paulo Roberto
First member of the Committee: Borin, Juliana Freitag
Second member of the Committee: Teixeira, Márcio Andrey
Third member of the Committee: Yamanaka, Keiji
Fourth member of the Committee: Silva, Éderson Rosa da
Summary: A crescente demanda por acesso a redes móveis sem fio tem elevado os custos operacionais e gerenciais assim como os níveis mínimos exigidos de Qualidade de Serviço, ou Quality of Service (QoS), para provisionamento às aplicações em redes Long Term Evolution Advanced (LTE-A). Apesar das especificações mais recentes do LTE-A oferecerem tecnologias capazes de reduzir custos, elas não são preparadas para lidar com o Big Data, caracterizado por um grande volume de dados constantemente produzidos em alta velocidade, variedade, veracidade e valor em sistemas de informação e comunicação. Neste sentido, o Aprendizado de Máquina, ou Machine Learning, é amplamente utilizado e recomendado para processar Big Data. A estratégia Clustering-Based Resource Allocation (CBRA), idealizada para alocação autônoma de recursos por meio do uso da "clusterização", ou clustering (uma tarefa realizada por Aprendizado de Máquina), categoriza usuários e aplicações a partir de padrões descobertos em dados do sistema de comunicação em que é empregada, fornecendo parâmetros mais adequados de QoS. Entretanto, para ser capaz de classificar adequadamente, o CBRA requer uma melhor definição das características informadas bem como parâmetros adaptados aos dados analisados durante a execução do clustering. Este trabalho propõe um mecanismo CBRA, especificamente desenvolvido para o LTE-A, dotado de um algoritmo para aprendizado autônomo de características e outro para desparametrização do clustering. A proposta é avaliada por meio de simulação computacional e comparada com outros mecanismos relacionados existentes na literatura. Os resultados apresentam melhor qualidade de classificação, em comparação com a quantidade de características analisadas, e um desempenho adequado do mecanismo para aplicações de vídeo em tempo real.
Abstract: The increasing demand for wireless mobile networks access has increased operational and management costs as well as the minimum levels of Quality of Service (QoS) required for applications provisioning in Long Term Evolution Advanced (LTE-A) networks. Although the latest LTE-A specifications offer cost-effective technologies, they are not prepared to deal with Big Data, characterized by a large volume of data constantly produced at high velocity, variety, veracity and value in information and communication systems. In this sense, Machine Learning is widely used and recommended to process Big Data. The Clustering-Based Resource Allocation (CBRA) strategy, designed for autonomous resource allocation by the use of clustering (a task performed by Machine Learning), categorizes users and applications from patterns discovered in communication system data in which it is employed, providing better QoS parameters. However, to be able to classify properly, the CBRA requires a better definition of features informed as well as parameters adapted to the analyzed data during the clustering execution. This work proposes a CBRA mechanism, specifically developed for LTE-A, provided with an algorithm for autonomous feature learning and another for clustering de-parameterization. The proposal is evaluated through computational simulation and compared with other related mechanisms existing in the literature. The results show better classification quality, in comparison with the number of analyzed features, and adequate performance of the mechanism for real-time video applications.
Keywords: Alocação de Recursos
Aprendizado de Máquina
LTE-A
QoS
Simulação
Clustering
Resource Allocation
Machine Learning
Aprendizado de Características
LTE-Advanced
Area (s) of CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::TELECOMUNICACOES::SISTEMAS DE TELECOMUNICACOES
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Language: por
Country: Brasil
Publisher: Universidade Federal de Uberlândia
Program: Programa de Pós-graduação em Engenharia Elétrica
Quote: SANTOS, Einar César. Alocação de Recursos baseada em Clustering com Aprendizado de Características e Orientação a QoS em Redes LTE-Advanced. 2019. 130 f. Tese (Doutorado em Engenharia Elétrica) - Universidade Federal de Uberlândia, Uberlândia, 2019. Disponível em: http://dx.doi.org/10.14393/ufu.te.2019.2060
Document identifier: http://dx.doi.org/10.14393/ufu.te.2019.2060
URI: https://repositorio.ufu.br/handle/123456789/25825
Date of defense: 14-Jun-2019
Appears in Collections:TESE - Engenharia Elétrica

Files in This Item:
File Description SizeFormat 
AlocaçãoRecursosBaseada.pdfArquivo PDF da Tese - Alocação de Recursos baseada em Clustering com Aprendizado de Características e Orientação a QoS em Redes LTE-Advanced - Einar César Santos4.02 MBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons